基于无迹卡尔曼滤波传感器信息融合车辆导航算法.docVIP

基于无迹卡尔曼滤波传感器信息融合车辆导航算法 　　摘要：针对复杂道路条件下车辆的导航问题，将全球定位系统（GPS）与车载终端传感器系统相结合，提出了基于多传感器系统的车辆精确定位模型，并针对扩展类卡尔曼滤波易产生突发性误差而导致的安全问题，采用基于Sigma点的无迹卡尔曼滤波器（UKF）传感器信息融合算法根据实时的道路状况和车辆自身的运动状态给出符合要求的状态估值，实验与基于多项式扩展卡尔曼滤波车辆传感器信息融合算法在精度和效率方面进行了比较，结果表明，基于UKF传感器信息融合的算法在复杂路况下的估计精度和运行效率都有显著提高，能够根据当前的路线情况和车载传感器的反馈信息快速地估计出车辆的运动状态，实时计算出动态的车辆控制输入 关键词：车辆导航； 无迹卡尔曼滤波； 传感器信息融合； Sigma点滤波 中图分类号：U495； TP18 文献标志码：A 0引言 卡尔曼滤波擅长处理多变量非平稳随机过程和时变系统的滤波问题，被广泛应用于自动导航领域导航算法必须达到较高的精度且能适应各种运行状态的变化，才能确保导航的安全性要求应用最广泛的多传感器信息融合算法是扩展卡尔曼滤波（Extened Kalman Filter，EKF）[1] EKF对非线性模型的Taylor展开式作截断处理，舍弃高阶项在强非线性系统中局部线性化假设失效，可能会使虑波发散；同时繁琐的矩阵计算使得EKF的工程实现困难，计算机效率低下 为了克服EKF的缺点，研究人员提出了基于Sigma点的方法，代表算法是无迹卡尔曼滤波（Unscented Kalman Filter， UKF）UKF在不提高计算复杂度的情况下，较EKF的精度大大提高，而且UKF易于实现，不用像EKF那样进行复杂的分析，不需要计算复杂的雅可比矩阵[2-6]文献[7]对陆上机动车辆的传感器信息融合模型进行了详细分析，GPS定位和速度观测信 息可以为车辆的运动提供额外的信息对机动系统的控制可以通过从传感器得到的观测信息，对运动状态作先验估计实现[8]多项式卡尔曼滤波是基于扩展卡尔曼滤波器的原理，将车辆运动模型进行泰勒分解，取不同阶数达到控制精度的目的[9] 基于非线性滤波控制方案的模型不确定性和外部振动的鲁棒性，在非线性滤波算法的设计中，可以通过调节扰动观测或者未知输入观测的校正因子来解决[10-11]本文针对扩展类卡尔滤波的高计算复杂度以及突发性误差问题，应用基于平面控制的方法，在文献[12]的基础上加入指数形式的稳定反馈因子[10-11]，通过自适应地控制车辆运动，结合车载传感器建立了车辆运动的多传感器状态空间模型，设计了基于无迹卡尔曼滤波的传感器信息融合算法SUKF，对车辆运动状态进行估值实验结果表明，本文的算法在运行效率和计算精度方面都有明显提高 1车辆导航模型 导航的非线性控制方法主要包括Ren等[13]提出的基于Lyapunov的控制方法和Singh等[14]提出的基于模型的控制方法等，而基于平面控制的方法在文献[12]中得到了改进，更适用于车辆导航模型 1.1 车辆平面运动模型 假设车辆在一个常纬度区域内运动，可以得到如下运动学公式： 1.2 多传感器观测模型 车辆的定位需要两个观测集合：第一个观测集合为车辆的初始坐标，来源于IMU或GPS；第二个观测集合由一系列到参考平面pj的距离d（k）组成通过视觉传感器或者雷达获取数据如图1所示，参考平面pj可以通过pjr和pjn描述，pjr表示参考平面到坐标系OXY原点O的距离，pjn表示参考平面与OX轴的夹角由几何关系可知，到参考平面pj的观测距离如下： 至此，车辆运动的状态空间模型已经建立完成通过车辆的方位角构建其运动模型，在运动过程中，结合IMU、GPS、雷达、视觉传感器的反馈信息建立车辆的观测模型，接下来就需要选择动态估计算法对车辆运行中的状态进行估计和预测，以指导车辆平稳运行 2 UKF传感器信息融合算法 无迹卡尔曼滤波（UKF）基于最优高斯逼近的卡尔曼滤波器框架的递归最小均方误差（Minimum MeanSquare Error，MMSE）估值器，能够解决EKF的一些逼近问题因为EKF及其变体是在精度上对非线性模型的泰勒公式作截断处理，在观测模型状态的估值统计中经常引入瞬间的大误差，这在对高度非线性化模型作局部线性化假设时异常明显逼近变量的随机概率分布比逼近任何非线性函数更加容易[15]，UKF并没有逼近预测模型的非线性过程和观测模型，而是逼近状态随机变量的高斯分布，这样对任何非线性模型，模型状态的均值和协方差都能精确到二阶，而误差只到三阶甚至更高 2.1 无迹变换 无迹变换用于计算状态随机变量的统计信息，状态随机变量一般通过非